진단보조 시스템 개발 ...

Pulmonary Nodule

먼저 진단을 위한 가장 앞선 단계는 병변을 검출하는 것이다. 따라서, 폐암의 조기병변인 폐결절의 검출 시스템을 개발 하기로 하였다. 폐결절의 정의는 의료영상에서 최소 직경 3mm, 최대 직경 3cm의 둥근 형태로 검출되는 물체를 뜻한다. 폐결절의 정의가 이렇게 모호한 이유는 그만큼 폐결절이 다양한 형태를 가지고 있기 때문이다. 폐결절의 정의 6가지

폐결절이 다양한 형태를 가지게 되는 가장 큰 원인은 크게 2가지를 들 수 있다. 가장 큰 원인은 CT 촬영기법에 있다. CT 영상은 X-ray가 우리의 몸을 투사한 영상을 확인한다. 즉, 3차원을 2차원으로 줄이다 보니 잡음이 많이 생기게 되는 것이다. 여기서, 두번째 원인은 흉부의 위치적 특성을 들 수 있다. 흉부에는 인체의 다양한 기관들이 밀집해 있는데, 이를 2차원으로 투영하니 여러 장기들이 겹쳐서 잡음을 만드는 것이다.

Computer-Aided Pulmonary Nodule Detection System

위에서 간단하게 살펴본 바에 의해 우리는 몇가지 사실을 확인 할 수 있다. 가장먼저, 다른 장기들과 겹쳐져 있는 폐결절을 검출하기 위해서는 폐결절과 다양한 장기들을 구별 할 수 있어야 한다는 점이다. 현재 영상처리 방식을 사용해 폐결절을 구별하는 시스템은 크게 두가지 단계로 구성된다. 우선, 후보군 검출이다. 실제 폐결절을 최대한 포함하도록 후보군을 검출하기 위해 double-threshold 같은 단순한 방법을 사용해 후보군을 검출한다. 즉, 후보군 검출에서 가장 중요한 부분은 실제 폐결절에 대한 민감도를 유지하며 최대한 후보군을 추출해야한다는 점이다.

LUng Nodule Analysis 2016 (LUNA16)

이를 확인 하기위해 현재 공개되있는 데이터셋인 LUNA16의 데이터 셋으로 연구를 시작하였다.

이 데이터셋은, 총 1,012 명의 환자군을 가지고 있는 LIDC-IDRI 데이터 베이스에서 슬라이드의 두께가 2.5mm 이상인 888명의 환자를 추출하여 사용한다. 이때, 다양한 폐결절 후보군을 검출하기위해 현재 상용화 된 시스템을 사용하여 최대한 공정한 후보군을 검출하였다.

최근 유행하는 딥러닝에서도 Deep Neural Network (DNN)방식이 높은 성능을 거둘 수 있었던 이유는

결국 관찰자를 학습시키는 방식에 있어서 많은 이점을 가지고 있기 때문이라고 할 수 있다.

Neural Network 는 그 개발 방식에 있어서 사람의 시각기간과

폐암의 진단 및 검출 보조 시스템을 개발하면서, 다양한 형태의 논문을 읽었을때